自2024年智能工厂梯度培育行动启动以来，我国制造业的智能化转型步伐显著加快，截至6月底，累计建成5.6万余家基础级、9000余家先进级、500余家卓越级智能工厂，培育15家领航级智能工厂。
2026年7月17日，工业和信息化部等六部门联合发布了《关于开展2026年度智能工厂梯度培育行动的通知》，同步发布《智能工厂梯度培育要素条件（2026年版）》（以下简称“要素条件”），延续基础级、先进级、卓越级、领航级四级梯度培育框架，在评定指标上显著提升了对人工智能应用的量化要求，并对技术应用的深度和广度提出了更高标准。
一、2026年度智能工厂梯度培育要素条件解读
2026版要素条件设置全层级统一基础门槛，固化工厂建设、研发设计、生产作业、生产管理、运营管理五大评价维度，四级工厂均围绕五大环节分层设置差异化建设深度、场景数量、技术落地标准，统一评价口径。同时，在梯度衔接上要求更加严格，申报先进级必须先完成基础级自评备案；申报卓越级必须已获评先进级且完成智能化升级；申报领航级必须已获评卓越级并实现AI广泛深度应用，层层递进的硬性约束更加清晰。
表1 2026年度智能工厂梯度培育建设方向
二、变化与趋势：2026版“新”在哪
1.AI应用成为关键“硬标尺”
2026年版政策最引人注目的变化，莫过于对卓越级、领航级智能工厂中人工智能技术应用场景比例提出的硬性要求。卓越级智能工厂的人工智能技术场景比例，由不低于20%提高到不低于30%，领航级仍保持不低于60%，同时在绩效指标中新增“开发工业智能体数量”和“日均词元调用量”。这意味着企业需要将AI应用从少数关键环节的点状试点，扩展到更多业务场景的协同应用，将AI深度融入研发、生产、管理、运营的全价值链，构建起由AI驱动的核心竞争力，这也对企业的算法开发、模型训练和数据治理能力提出了更高要求。AI将不再是智能工厂建设的“加分项”，而是衡量企业智能化水平的核心标尺。
2.从数据、模型到工业智能体
数据资产化与治理的强化：2025年版要素条件在先进级提到“经营与生产业务数据集成贯通”，2026年版新增“开展关键数据治理”的硬性要求，卓越级要求开展“统一语义的数据治理工作”，领航级更是强调“建立完整数据治理体系、沉淀企业数据资产，基于‘数据+知识’驱动创新范式”。这也反映出，数据只有经过高质量的治理、沉淀并转化为可复用的知识和模型，才能成为驱动企业持续创新的核心资产。
工业智能体的引入：工业智能体是2026年版最核心的新增概念之一。2025年版在领航级建设内容中，侧重于“人工智能高价值应用场景挖掘”和“打造新一代智能制造系统”。2026年版在卓越级中提出“工业智能体探索”，在领航级中则明确要求“开发一批工业智能体”、“构建生产管理/运营管理智能体”，并探索“从数据、模型到工业智能体的一体化管理体系”。这表明政策导向已从单纯开发和应用AI算法，转向构建具备自主感知、自主决策、自主执行能力的智能代理。这也意味着未来的生产调度、资源分配可以自主运行、持续优化，迈向少人化甚至无人化管理。
3.领航级新增伦理与安全约束
2026版首次明确领航级工厂须“守好伦理风险底线”，将伦理风险防控保障纳入必备要素条件，要求建立相应的防控机制。
4.评价标准进一步细化
2026版《要素条件》对建设成效评测依据进行了更新，要求参考《智能工厂建设关键绩效指标参考》和GB/T 47695-2026《企业智能制造效能评测方法》，同时，2026版进一步细化了各级别的核心能力要求。基础级聚焦数字化改造；先进级聚焦网络化协同提升；卓越级聚焦智能化升级展开建设，实现全国领先；领航级则探索未来制造模式和新一代智能制造系统架构，并对外输出先进制造能力，打造全球领先的发展标杆。
三、面向2026：制造企业行动指南
面对2026年版政策提出的更高要求和更清晰的路线图，制造企业不应只是为了“申报认定”而建设，应将智能工厂梯度培育视为驱动自身转型升级的内生动力和战略抓手。
1.战略层面：顶层设计先行，将“数智融合”融入企业核心战略
无论企业当前处于哪个发展阶段，首先都需要进行一次全面的战略审视，同时成立“一把手”挂帅的转型委员会。
重新定义智能工厂建设的终极目标：目标不应仅仅是“通过某一级别的认定”，而应是解决企业最核心的痛点，如缩短研发周期、提升客户满意度、开辟新市场、重构成本结构等。将梯度培育的要素条件作为实现这些战略目标的路线图，而非终点。
制定与企业战略匹配的梯度攀登路线图：对标2026年版要素条件，清晰评估自身当前所处的级别。基础薄弱的企业应以“基础级”和“先进级”为目标，扎实推进数字化和网络化；已有一定基础的企业，则应以“卓越级”为目标，系统规划AI的应用；而行业龙头企业，则应有志于冲击“领航级”，进行颠覆性技术的投入和探索。
2.战术层面：分级施策，精准对标，扎实推进
● 基础级与先进级：夯实底座，打通数据
企业核心任务：补全数字化短板，实现数据互联互通。
加快设备联网改造：让关键设备开口说话，实现数据采集和可视化管理。
打破信息孤岛：推动MES、ERP、WMS等核心信息系统的深度集成。实现从订单到生产、再到仓储物流的全流程数据贯通。
启动数据治理：建立数据标准和管理规范。明确哪些是关键数据，如何保证其准确性、完整性和一致性。为后续的AI应用和数据资产化奠定基础。
● 卓越级：深化AI应用，系统集成优化
企业核心任务：跨越30%的AI应用门槛，实现跨场景协同。
组建AI赋能中心：成立专职团队，系统挖掘业务痛点，寻找AI应用的切入点。
聚焦高价值场景：全面梳理研发、生产、管理、运营中的所有业务场景，评估引入AI的可行性与潜在价值，制定一个清晰的、分阶段的AI应用推广计划，确保在申报周期内能达到或超过30%的比例要求。
构建统一的数据中台：要实现“设计生产经营数据的集成贯通”，建设一个统一的数据中台是高效路径。将来自不同系统的数据汇集于此，进行统一的治理、加工和建模，为上层的AI应用提供高质量的数据燃料。
● 领航级：前沿探索，范式重构
作为行业领军企业，领航级企业目标不仅是自我超越，更是引领行业发展。
布局颠覆性技术研发：成立前沿技术研究院或与顶尖高校、科研机构建立联合实验室，专项投入“工业大模型”、“工业智能体”、“企业级高精度数字孪生”等前沿技术研发与攻关。
以“智能体”思维重构核心业务流程：挑选一到两个核心且复杂的业务场景，如全厂生产调度、供应链协同等，开发能够自主感知、决策、执行的智能体系统。
启动“母工厂”赋能计划：将企业内部摸索出的解决方案、标准体系沉淀下来，对外输出，打造新的业务增长极。
高度关注伦理与安全：在深度应用AI时，必须建立完善的数据安全、隐私保护和算法伦理审查机制，确保技术的健康、可持续发展。
3.组织与人才层面：双轮驱动，保障转型成功
智能工厂的建设，终究是“人”的建设。
构建复合型人才培养体系：企业急需的是既懂制造工艺又懂数据分析、既懂业务流程又懂AI算法的复合型人才。企业应通过内部培训、外部引进、校企合作等多种方式，系统性地培养数智人才。
推动敏捷化的组织变革：为了适应快速变化的技术和市场需求，企业应尝试建立更多跨职能的、以项目为导向的敏捷团队，赋予团队更高的决策权，以“小步快跑、快速迭代”的方式推进智能工厂的各项建设任务。
写在最后
《智能工厂梯度培育要素条件》的变化，折射出的是制造业数字化转型的不断升级：从“有没有”到“好不好”，从“网络化”到“智能化”，从“跟跑”到“领跑”。对制造企业来说，这是一场不进则退的变革。但挑战的另一面，正是机遇。谁能尽早拥抱“AI+制造”的浪潮，构建起以数据和服务为核心的新竞争力，谁就能在未来十年的产业格局中占据主动。
往期精彩